The human insights missing from big data | Tricia Wang

247,414 views ・ 2017-08-02

TED


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Sara Malaguti Revisore: Anna Cristiana Minoli
00:12
In ancient Greece,
0
12705
1545
Nell'antica Grecia,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
quando chiunque, schiavo o soldato, poeta o politico,
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
doveva prendere una decisione importante per la propria vita,
00:23
like, "Should I get married?"
3
23251
1391
come, "Dovrei sposarmi?"
00:24
or "Should we embark on this voyage?"
4
24666
1857
o "Dobbiamo fare questo viaggio?"
00:26
or "Should our army advance into this territory?"
5
26547
2928
o "Il nostro esercito dovrebbe avanzare in questo territorio?"
00:29
they all consulted the oracle.
6
29499
2579
consultava l'oracolo.
00:32
So this is how it worked:
7
32840
1440
Funzionava così:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
si poneva una domanda, ci si inginocchiava,
00:37
and then she would go into this trance.
9
37440
1871
e l'oracolo cadeva in trance.
00:39
It would take a couple of days,
10
39335
1549
Ci voleva un paio di giorni,
00:40
and then eventually she would come out of it,
11
40908
2163
e poi lei ne sarebbe uscita,
00:43
giving you her predictions as your answer.
12
43095
2536
dando una profezia come risposta.
00:46
From the oracle bones of ancient China
13
46730
2566
Dalle ossa oracolari della Cina antica
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
all'antica Grecia, ai calendari Maia,
00:51
people have craved for prophecy
15
51689
2296
le persone avevano bisogno delle profezie
00:54
in order to find out what's going to happen next.
16
54009
3137
per sapere cosa sarebbe accaduto.
00:58
And that's because we all want to make the right decision.
17
58336
3239
Questo perché tutti vogliamo prendere la giusta decisione.
01:01
We don't want to miss something.
18
61599
1545
Non vogliamo perdere niente.
01:03
The future is scary,
19
63712
1743
Il futuro ci spaventa,
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
per cui è meglio decidere
01:08
with some assurance of the outcome.
21
68220
1982
conoscendo le possibili conseguenze.
01:10
Well, we have a new oracle,
22
70899
1611
Beh, abbiamo un nuovo oracolo,
01:12
and it's name is big data,
23
72534
2145
e si chiama big data,
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
noi lo chiamamo anche "Watson" "apprendimento profondo" o "rete neurale".
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
Questo è il genere di domanda che poniamo all'oracolo,
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
come, "Qual è il modo più efficiente per trasportare questi telefoni
01:27
from China to Sweden?"
27
87142
1823
dalla Cina alla Svezia?"
01:28
Or, "What are the odds
28
88989
1800
Oppure, "Che probabilità ci sono
01:30
of my child being born with a genetic disorder?"
29
90813
3363
che mio figlio nasca con una malattia genetica?"
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
"Quale volume di vendite prevediamo per questo prodotto?
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
Ho un cane. Si chiama Elle e odia la pioggia.
01:43
And I have tried everything to untrain her.
32
103999
3306
Ho provato di tutto per riabilitarla.
01:47
But because I have failed at this,
33
107329
2771
Visto che non ci sono riuscita,
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
ho dovuto consultare un oracolo, chiamato Dark Sky,
01:53
every time before we go on a walk,
35
113434
1635
ogni volta prima di uscire,
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
per avere previsioni del tempo accurate per i successivi dieci minuti.
02:01
She's so sweet.
37
121355
1303
Il mio cane è dolcissimo.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
Il nostro oracolo è un business da 122 miliardi di euro.
02:09
Now, despite the size of this industry,
39
129826
3376
Malgrado la dimensione del settore,
02:13
the returns are surprisingly low.
40
133226
2456
il profitto è sorprendentemente basso.
02:16
Investing in big data is easy,
41
136162
2494
Investire nei big data è facile,
02:18
but using it is hard.
42
138680
1933
ma usarli è difficile.
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
Più del 73 per cento dei progetti fatti con i big data non sono redditizi
02:25
and I have executives coming up to me saying,
44
145865
2431
e molti dirigenti mi dicono,
02:28
"We're experiencing the same thing.
45
148320
1789
"Stiamo avendo lo stesso problema.
02:30
We invested in some big data system,
46
150133
1753
Abbiamo investito in sistemi big data,
02:31
and our employees aren't making better decisions.
47
151910
2968
ma i nostri dipendenti non prendono decisioni migliori.
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
E non hanno neanche avuto le idee più innovative."
02:38
So this is all really interesting to me,
49
158734
3184
Questo è molto interessante per me
02:41
because I'm a technology ethnographer.
50
161942
2010
che sono una etnografa della tecnologia.
02:44
I study and I advise companies
51
164450
2564
Studio e do consigli alle aziende
02:47
on the patterns of how people use technology,
52
167038
2483
sul modo in cui le persone usano la tecnologia,
02:49
and one of my interest areas is data.
53
169545
2678
e uno dei miei interessi sono i dati.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Perché allora avere più dati non ci aiuta a prendere decisioni migliori,
02:57
especially for companies who have all these resources
55
177464
2783
specialmente per le aziende che hanno queste risorse
03:00
to invest in these big data systems?
56
180271
1736
da investire in questi sistemi?
03:02
Why isn't it getting any easier for them?
57
182031
2398
Perché non è diventato più facile?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
Ho visto questa situazione io stessa.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
Nel 2009, ho cominciato da una posizione di ricerca alla Nokia.
03:13
And at the time,
60
193052
1158
In quegli anni,
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
la Nokia era una delle maggiori aziende di telecomunicazioni,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
dominava i mercati emergenti come la Cina, il Messico, l'India --
03:20
all places where I had done a lot of research
63
200642
2502
tutti luoghi nei quali avevo fatto molta ricerca
03:23
on how low-income people use technology.
64
203168
2676
su come le persone di basso reddito usano la tecnologia.
03:25
And I spent a lot of extra time in China
65
205868
2330
Ho passato molto tempo in Cina
03:28
getting to know the informal economy.
66
208222
2592
per conoscere l'economia informale.
03:30
So I did things like working as a street vendor
67
210838
2401
Facevo lavori come il venditore ambulante
03:33
selling dumplings to construction workers.
68
213263
2574
distribuendo fagottini di mele ai lavoratori edili.
03:35
Or I did fieldwork,
69
215861
1358
Facevo ricerche sul campo,
03:37
spending nights and days in internet cafés,
70
217243
2958
passando notti e giorni negli internet point
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
con i giovani cinesi, per capire
03:42
how they were using games and mobile phones
72
222795
2284
come usavano i giochi e i telefonini
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
e come li usavano per spostarsi dalla campagna alle città.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
Con le testimonianze che raccoglievo,
03:54
I was starting to see so clearly
75
234106
2824
cominciavo a vedere
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
che un grosso cambiamento
stava per avvenire tra i cinesi dal reddito basso.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Anche se erano circondati da pubblicità di prodotti di lusso
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
come toilette eleganti -- chi non ne vorrebbe una? --
04:10
and apartments and cars,
79
250750
2890
appartamenti, automobili,
04:13
through my conversations with them,
80
253664
1820
parlando con loro
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
ho scoperto che le pubblicità che interessavano di più
04:19
were the ones for iPhones,
82
259373
1996
erano quelle degli iPhone,
04:21
promising them this entry into this high-tech life.
83
261393
3052
che promettevano l'entrata nella nuova vita high-tech.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
Vivendo con loro nei bassifondi urbani,
04:28
I saw people investing over half of their monthly income
85
268476
2996
vedevo persone che investivano metà dei loro redditi
04:31
into buying a phone,
86
271496
1623
per comprare un cellulare,
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
e c'erano sempre più "shanzhai",
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
ovvero versioni meno care degli iPhone o altri telefoni.
04:40
They're very usable.
89
280123
1625
Sono molto facili da usare.
04:42
Does the job.
90
282710
1322
Fanno il loro lavoro.
04:44
And after years of living with migrants and working with them
91
284570
5789
Dopo anni vissuti con questi migranti e lavorando con loro,
04:50
and just really doing everything that they were doing,
92
290383
3434
facendo tutto quello che loro facevano,
04:53
I started piecing all these data points together --
93
293841
3597
ho iniziato a mettere insieme tutti questi dati --
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
dalle cose che sembravano strane, come vendere i fagottini di mele,
05:00
to the things that were more obvious,
95
300609
1804
alle cose che erano più ovvie,
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
come registrare i costi del loro traffico telefonico.
05:05
And I was able to create this much more holistic picture
97
305693
2639
Sono riuscita a creare un'immagine più olistica
05:08
of what was happening.
98
308356
1156
di ciò che stava succedendo.
05:09
And that's when I started to realize
99
309536
1722
Ho cominciato a capire
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
che anche i cinesi più poveri volevano uno smartphone,
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
e che avrebbero fatto di tutto per averne uno.
05:20
You have to keep in mind,
102
320893
2404
Dovete ricordare
05:23
iPhones had just come out, it was 2009,
103
323321
3084
che gli iPhone erano appena usciti nel 2009,
05:26
so this was, like, eight years ago,
104
326429
1885
ovvero otto anni fa,
05:28
and Androids had just started looking like iPhones.
105
328338
2437
e gli Android iniziavano a somigliare agli iPhone.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
Molte persone intelligenti e realistiche dicevano,
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"Questi smartphone sono solo una moda."
05:36
Who wants to carry around these heavy things
108
336063
2996
Chi vorrebbe portarsi in giro queste cose pesanti
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
con le batterie che si scaricano subito e che si rompono appena cadono?"
05:44
But I had a lot of data,
110
344613
1201
Ma io avevo molti dati,
05:45
and I was very confident about my insights,
111
345838
2260
mi fidavo delle mie intuizioni,
05:48
so I was very excited to share them with Nokia.
112
348122
2829
ed ero entusiasta di condividerle con la Nokia.
05:53
But Nokia was not convinced,
113
353152
2517
Ma Nokia non era convinta,
05:55
because it wasn't big data.
114
355693
2335
perché non avevo big data.
05:58
They said, "We have millions of data points,
115
358842
2404
Dicevano, "Abbiamo milioni di dati,
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
e non ci sono indicazioni che la gente comprerà smartphone.
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
Il tuo insieme di dati da 100, anche se vario, è troppo debole
06:09
for us to even take seriously."
118
369953
1714
per poterlo prendere sul serio."
06:12
And I said, "Nokia, you're right.
119
372728
1605
Risposi, "Nokia, avete ragione.
06:14
Of course you wouldn't see this,
120
374357
1560
È ovvio che non lo vediate,
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
perché fate sondaggi pensando che la gente non sappia
06:19
what a smartphone is,
122
379336
1159
cosa sia uno smartphone,
06:20
so of course you're not going to get any data back
123
380519
2366
quindi non ricevete dati
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
sulle persone che vorranno uno smartphone tra due anni.
06:25
Your surveys, your methods have been designed
125
385505
2118
I vostri sondaggi e metodi sono stati creati
06:27
to optimize an existing business model,
126
387647
2022
per rinnovare un modello di business esistente
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
e io sto analizzando dinamiche umane emergenti
06:32
that haven't happened yet.
128
392325
1354
non ancora accadute.
06:33
We're looking outside of market dynamics
129
393703
2438
Stiamo guardando fuori dalle dinamiche del mercato
06:36
so that we can get ahead of it."
130
396165
1631
per superarle."
06:39
Well, you know what happened to Nokia?
131
399193
2244
Sapete cosa è successo alla Nokia?
06:41
Their business fell off a cliff.
132
401461
2365
Il business è precipitato.
06:44
This -- this is the cost of missing something.
133
404611
3727
Questo è il prezzo del perdersi qualcosa.
06:48
It was unfathomable.
134
408983
1999
Era inimmaginabile.
06:51
But Nokia's not alone.
135
411823
1651
Ma Nokia non è l'unico caso.
06:54
I see organizations throwing out data all the time
136
414078
2581
Vedo tante aziende ignorare dati importanti
06:56
because it didn't come from a quant model
137
416683
2561
perché non provengono da un modello quantitativo
06:59
or it doesn't fit in one.
138
419268
1768
o non si adattano a uno di essi.
07:02
But it's not big data's fault.
139
422039
2048
Ma non è colpa dei big data.
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
È il modo in cui usiamo i big data; è responsabilità nostra.
07:09
Big data's reputation for success
141
429550
1911
Il successo dei big data
07:11
comes from quantifying very specific environments,
142
431485
3759
proviene dal quantificare ambienti specifici
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
come reti elettriche o sistemi logistici o il codice genetico,
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
quando quantifichiamo sistemi che sono più o meno limitati.
07:24
But not all systems are as neatly contained.
145
444547
2969
Ma non tutti i sistemi sono così facilmente contenibili.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Quando vanno quantificati sistemi più dinamici,
07:30
especially systems that involve human beings,
147
450822
3799
specialmente sistemi che coinvolgono le persone,
07:34
forces are complex and unpredictable,
148
454645
2426
ci sono troppe complessità e imprevedibilità,
07:37
and these are things that we don't know how to model so well.
149
457095
3486
e queste sono cose che non sappiamo rappresentare bene.
07:41
Once you predict something about human behavior,
150
461024
2813
Quando si predice qualche comportamento umano,
07:43
new factors emerge,
151
463861
1855
emergono altri fattori,
07:45
because conditions are constantly changing.
152
465740
2365
perché le condizioni cambiano di continuo.
07:48
That's why it's a never-ending cycle.
153
468129
1803
È un ciclo senza fine.
07:49
You think you know something,
154
469956
1464
Pensiamo di sapere qualcosa,
07:51
and then something unknown enters the picture.
155
471444
2242
e poi qualcosa di sconosciuto entra in scena.
07:53
And that's why just relying on big data alone
156
473710
3322
Questo succede perché usare solo i big data
07:57
increases the chance that we'll miss something,
157
477056
2849
aumenta la possibilità di perdersi qualcosa,
07:59
while giving us this illusion that we already know everything.
158
479929
3777
mentre ci dà l'impressione di sapere tutto.
08:04
And what makes it really hard to see this paradox
159
484226
3856
Ciò che rende questo paradosso difficile da vedere
08:08
and even wrap our brains around it
160
488106
2659
e da capire
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
è che abbiamo un cosa che chiamo un pregiudizio della quantificazione,
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
che è una convinzione inconscia di preferire il misurabile
08:18
over the immeasurable.
163
498450
1594
al non misurabile.
08:21
And we often experience this at our work.
164
501042
3284
Lo viviamo spesso al lavoro.
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
Forse lavoriamo con colleghi che la pensano così,
08:27
or even our whole entire company may be like this,
166
507024
2428
o magari tutta la nostra azienda è così,
08:29
where people become so fixated on that number,
167
509476
2546
le persone diventano così ossessionate da quel numero,
08:32
that they can't see anything outside of it,
168
512046
2067
che non vedono niente al di fuori di esso,
08:34
even when you present them evidence right in front of their face.
169
514137
3948
anche quando mostri loro l'evidenza dei fatti.
08:38
And this is a very appealing message,
170
518943
3371
Questo è un messaggio attraente
08:42
because there's nothing wrong with quantifying;
171
522338
2343
perché non c'è nulla di male nel quantificare;
08:44
it's actually very satisfying.
172
524705
1430
ed è molto soddisfacente.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Ho un grande senso di piacere guardando un foglio di Excel,
08:50
even very simple ones.
174
530545
1401
anche di quelli più semplici.
08:51
(Laughter)
175
531970
1014
(Risate)
08:53
It's just kind of like,
176
533008
1152
È un po' come,
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
"Sì! La formula ha funzionato. Va tutto bene. Tutto è sotto controllo."
08:58
But the problem is
178
538612
2390
Ma il problema è
09:01
that quantifying is addictive.
179
541026
2661
che quantificare è una droga.
09:03
And when we forget that
180
543711
1382
E quando lo dimentichiamo
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
quando non abbiamo niente che ne controlli l'uso,
09:08
it's very easy to just throw out data
182
548179
2118
diventa facile buttare via dati
09:10
because it can't be expressed as a numerical value.
183
550321
2718
perché non possono essere espressi con valori numerici.
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
È molto facile finire col credere nei miracoli
09:16
as if some simple solution existed.
185
556008
2579
come se esistesse una soluzione semplice.
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
Questo è un periodo molto pericoloso per qualunque azienda,
09:23
because oftentimes, the future we need to predict --
187
563506
2634
perché spesso, il futuro che dobbiamo prevedere
09:26
it isn't in that haystack,
188
566164
2166
non è in quel pagliaio,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
ma è quel tornado che sta arrivando su di noi
09:30
outside of the barn.
190
570916
1488
fuori dal fienile.
09:34
There is no greater risk
191
574780
2326
Non c'è rischio più grande
09:37
than being blind to the unknown.
192
577130
1666
che essere ciechi verso l'ignoto.
09:38
It can cause you to make the wrong decisions.
193
578820
2149
Ti può far prendere la decisione sbagliata.
09:40
It can cause you to miss something big.
194
580993
1974
Ti può far perdere qualcosa d'importante.
09:43
But we don't have to go down this path.
195
583554
3101
Non vogliamo seguire questo percorso.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
Pare che l'oracolo della Grecia antica
09:50
holds the secret key that shows us the path forward.
197
590492
3966
possiede la chiave segreta che ci mostra la strada.
09:55
Now, recent geological research has shown
198
595474
2595
Recenti ricerche geologiche hanno dimostrato
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
che il Tempio di Apollo, dove sedeva l'oracolo più famoso,
10:01
was actually built over two earthquake faults.
200
601681
3084
fu costruito sopra due faglie sismiche.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
Da queste faglie fuoriuscivano gas tossici
10:07
from underneath the Earth's crust,
202
607699
1685
dalla crosta terrestre,
10:09
and the oracle literally sat right above these faults,
203
609408
3866
e l'oracolo sedeva letteralmente sopra questa faglia,
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
inalando enormi quantità di gas etilene.
10:16
(Laughter)
205
616910
1008
10:17
It's true.
206
617942
1173
(Risate)
È vero.
10:19
(Laughter)
207
619139
1017
(Risate)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
È tutto vero, ed è questo che la faceva farfugliare
10:23
and go into this trance-like state.
209
623713
1724
e andare in questo stato di trance.
10:25
She was high as a kite!
210
625461
1770
Era fatta come una zucchina!
10:27
(Laughter)
211
627255
4461
(Risate)
10:31
So how did anyone --
212
631740
2779
Quindi come poteva...
10:34
How did anyone get any useful advice out of her
213
634543
3030
Come poteva la gente ricevere consigli utili da lei
10:37
in this state?
214
637597
1190
che era in questo stato?
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
Vedete la gente che circonda l'oracolo?
10:41
You see those people holding her up,
216
641722
1879
Vedete la gente che la sorregge,
10:43
because she's, like, a little woozy?
217
643625
1717
tanto è stordita?
10:45
And you see that guy on your left-hand side
218
645366
2308
Vedete quel tizio alla vostra sinistra
10:47
holding the orange notebook?
219
647698
1598
con un taccuino arancione in mano?
10:49
Well, those were the temple guides,
220
649925
1730
Quelle erano le guide del tempio,
10:51
and they worked hand in hand with the oracle.
221
651679
3016
che lavoravano fianco a fianco con l'oracolo.
10:55
When inquisitors would come and get on their knees,
222
655904
2516
Quando i visitatori arrivavano e si inginocchiavano
10:58
that's when the temple guides would get to work,
223
658444
2340
le guide iniziavano il loro lavoro,
11:00
because after they asked her questions,
224
660808
1864
perché dopo le domande dei visitatori
11:02
they would observe their emotional state,
225
662696
2001
osservavano il loro stato emotivo,
11:04
and then they would ask them follow-up questions,
226
664721
2324
ne sondavano i desideri,
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
chiedendo: "Perché vuoi conoscere questa profezia? Chi sei?
11:09
What are you going to do with this information?"
228
669927
2264
Cosa te ne farai di questa informazione?"
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
Allora le guide del tempio raccoglievano queste informazioni
11:15
this more qualitative information,
230
675421
2156
etnografiche, importanti,
11:17
and interpret the oracle's babblings.
231
677601
2075
interpretando i deliri dell'oracolo.
11:21
So the oracle didn't stand alone,
232
681248
2292
L'oracolo quindi non agiva da solo,
11:23
and neither should our big data systems.
233
683564
2148
né lo fanno i nostri sistemi di big data.
11:26
Now to be clear,
234
686450
1161
Per essere chiari,
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
non sto dicendo che i sistemi di big data emettano gas etilene,
11:31
or that they're even giving invalid predictions.
236
691118
2353
o che facciano predizioni false.
11:33
The total opposite.
237
693495
1161
Tutto il contrario.
11:34
But what I am saying
238
694680
2068
Quello che sto dicendo
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
è che così come l'oracolo aveva bisogno delle guide del tempio,
11:40
our big data systems need them, too.
240
700628
2288
anche i nostri sistemi di big data ne hanno.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Hanno bisogno di persone come gli etnografi
e i ricercatori sugli utenti
11:47
who can gather what I call thick data.
242
707073
2506
che possono raccogliere i cosiddetti 'dati densi'.
11:50
This is precious data from humans,
243
710322
2991
Sono preziosi dati di carattere personale,
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
come storie, interazioni ed emozioni che non possono essere quantificate.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
Sono il genere di dati che ho raccolto per Nokia
11:59
that comes in in the form of a very small sample size,
246
719809
2669
che hanno la forma di un campione molto piccolo,
12:02
but delivers incredible depth of meaning.
247
722502
2955
ma forniscono una incredibile profondità di significato.
12:05
And what makes it so thick and meaty
248
725481
3680
Ciò che li rende così densi di contenuto
12:10
is the experience of understanding the human narrative.
249
730265
4029
è la possibilità di inferire le storie che contengono.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
È questo che aiuta a percepire cosa manca nei nostri modelli.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
I dati densi basano le ricerche economiche in questioni umane,
12:22
and that's why integrating big and thick data
252
742740
3562
ed è per questo che integrando i big data con i dati densi
12:26
forms a more complete picture.
253
746326
1689
si ha un'immagine più completa.
12:28
Big data is able to offer insights at scale
254
748592
2881
I big data ci offrono intuizioni su larga scala
12:31
and leverage the best of machine intelligence,
255
751497
2647
ed usano al meglio l'intelligenza artificiale,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
mentre i dati densi ci aiutano a sopperire alla mancanza di contesto
12:37
that comes from making big data usable,
257
757764
2098
che nasce dal rendere utilizzabili i big data
12:39
and leverage the best of human intelligence.
258
759886
2181
e usare bene l'intelligenza umana.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
Quando si integrano i due è l'inizio del divertimento,
12:45
because then you're no longer just working with data
260
765667
2436
perché allora non lavori più solo con i dati
12:48
you've already collected.
261
768127
1196
che hai già raccolto.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
Lavori anche con dati che non hai raccolto.
12:52
You get to ask questions about why:
263
772108
1719
Devi chiederti il perché:
12:53
Why is this happening?
264
773851
1317
perché succede questo?
12:55
Now, when Netflix did this,
265
775598
1379
Quando lo ha fatto Netflix,
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
ha scoperto un modo nuovo di trasformare il proprio business.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
Netflix è conosciuta per l'eccellente algoritmo di raccomandazione,
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
e per il premio di un milione di dollari a chiunque riuscisse a migliorarlo.
13:10
And there were winners.
269
790027
1314
Ci sono stati dei vincitori.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Ma Netflix ha scoperto che le migliorie erano solo incrementali.
13:17
So to really find out what was going on,
271
797224
1964
Per capire davvero cosa stava succedendo,
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
ha assunto un etnografo, Grant McCracken,
13:22
to gather thick data insights.
273
802977
1546
per raccogliere dati densi.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
Quello che ha scoperto è stato qualcosa che non aveva notato prima
13:28
in the quantitative data.
275
808495
1355
nei dati quantitativi.
13:30
He discovered that people loved to binge-watch.
276
810892
2728
Ha scoperto che la gente amava le scorpacciate di TV
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
senza sentirsi affatto in colpa.
13:36
They enjoyed it.
278
816021
1255
Si divertiva.
13:37
(Laughter)
279
817300
1026
(Risate)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
Netflix ha dedotto che era una buona intuizione.
13:40
So they went to their data science team,
281
820730
1938
Si è rivolta ai suoi tecnici scientifici
13:42
and they were able to scale this big data insight
282
822692
2318
ed è riuscita a integrare queste intuizioni
13:45
in with their quantitative data.
283
825034
2587
con i dati quantitativi.
13:47
And once they verified it and validated it,
284
827645
3170
Una volta verificati e validati,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
Netflix ha deciso di fare qualcosa di semplice ma significativo.
13:56
They said, instead of offering the same show from different genres
286
836654
6492
Ha detto: "Invece di offrire lo stesso programma per generi diversi
14:03
or more of the different shows from similar users,
287
843170
3888
o più programmi diversi per utenti simili,
14:07
we'll just offer more of the same show.
288
847082
2554
vi offriamo lo stesso programma in maggiore quantità.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
Vi aiuteremo a fare scorpacciate di TV."
14:11
And they didn't stop there.
290
851789
1486
E non si è fermata qui.
14:13
They did all these things
291
853299
1474
Ha fatto tutto questo
14:14
to redesign their entire viewer experience,
292
854797
2959
per trasformare l'intera esperienza dei suoi utenti,
14:17
to really encourage binge-watching.
293
857780
1758
per incoraggiare scorpacciate di TV.
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
È per questo che persone e amici scompaiono per interi weekend,
14:23
catching up on shows like "Master of None."
295
863315
2343
catturati da programmi come "Master of None".
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
Integrando i big data con i dati densi, non solo ha raggiunto risultati migliori,
14:29
but they transformed how we consume media.
297
869879
2812
ma ha trasformato il modo in cui usiamo i media.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
Ora le loro azioni raddoppieranno nei prossimi anni.
14:38
But this isn't just about watching more videos
299
878100
3830
Ma non si tratta solo di guardare più video
14:41
or selling more smartphones.
300
881954
1620
o vendere più smartphone.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Per qualcuno, integrare i "dati densi" nell'algoritmo
14:48
could mean life or death,
302
888037
2263
potrebbe significare vita o morte,
14:50
especially for the marginalized.
303
890324
2146
specialmente per chi è emarginato.
14:53
All around the country, police departments are using big data
304
893558
3434
In tutto il paese i dipartimenti di polizia usano i big data
14:57
for predictive policing,
305
897016
1963
per fare previsioni di intervento,
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
per definire gli importi delle cauzioni e per raccomandazioni di sentenze
15:02
in ways that reinforce existing biases.
307
902111
3147
in modi che rinforzano i pregiudizi attuali.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
L'algoritmo Skynet dell'NSA per l'apprendimento automatico
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
ha probabilmente aiutato ad uccidere migliaia di civili in Pakistan
15:14
from misreading cellular device metadata.
310
914031
2721
male interpretando i metadati dei telefoni cellulari.
15:18
As all of our lives become more automated,
311
918951
3403
Poiché tutte le nostre vite diventano sempre più automatizzate,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
dalle automobili alle assicurazioni sanitarie
al lavoro stesso,
15:25
it is likely that all of us
313
925482
2350
è verosimile che tutti noi
15:27
will be impacted by the quantification bias.
314
927856
2989
subiremo l'effetto dei pregiudizi quantitativi.
15:32
Now, the good news is that we've come a long way
315
932792
2621
La buona notizia è che è passato tanto tempo
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
dalle emissioni di gas etilene per le predizioni.
15:37
We have better tools, so let's just use them better.
317
937911
3070
Abbiamo strumenti migliori per cui usiamoli meglio.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
Integriamo i big data con i dati densi.
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
Affianchiamo le nostre guide del tempio all'oracolo,
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
e se questo lavoro si dovrà fare nelle aziende o nelle ONG,
15:49
or government or even in the software,
321
949037
2469
nei governi o nei software
15:51
all of it matters,
322
951530
1792
sarà sempre importante,
15:53
because that means we're collectively committed
323
953346
3023
perché ciò che importa è che siamo vincolati collettivamente
15:56
to making better data,
324
956393
2191
per creare dati migliori,
15:58
better algorithms, better outputs
325
958608
1836
algoritmi migliori, migliori risultati
16:00
and better decisions.
326
960468
1643
e migliori decisioni.
16:02
This is how we'll avoid missing that something.
327
962135
3558
È così che eviteremo di perdere quel qualcosa.
16:07
(Applause)
328
967042
3948
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7